Kiểm định Lee–Mykland: phát hiện bước nhảy giá trong ngày

Phương sai thực hiện cộng bình phương lợi suất trong ngày trên toàn phiên. Bipower variation có thể ước lượng thành phần biến thiên liên tục dưới một số giả định về bước nhảy và lấy mẫu. Cả hai đều tóm tắt toàn khoảng thời gian nên tự chúng không cho biết chuyển động bất thường xảy ra lúc nào. Phương pháp của Lee và Mykland đánh giá từng khoảng lợi suất, so sánh mỗi chuyển động có thể là bước nhảy với biến động ước lượng từ các lợi suất ngay trước đó.

Sự phân biệt này hữu ích cho nghiên cứu sự kiện, mô hình hóa biến động và mô tả thời điểm xuất hiện bước nhảy. Lợi suất 1% có thể rất khác thường trong thị trường yên ắng nhưng bình thường trong một phiên biến động mạnh. Chuẩn hóa bằng biến động cục bộ gần nhất giúp tính đến thang đo thay đổi. Phương pháp được đề xuất để phát hiện thời điểm xuất hiện bước nhảy trong ngày và ước lượng quy mô thực hiện của chúng; nó không xác định nguyên nhân hoặc khả năng giao dịch (Lee & Mykland, 2008).

Giả thuyết không nói về quá trình giá trong một khoảng cụ thể: không có bước nhảy trong khoảng đó, với thành phần liên tục thỏa các điều kiện chính quy. Giả thuyết không nói rằng lợi suất bằng không. Đường giá liên tục vẫn có thể tạo ra lợi suất lớn, đặc biệt khi biến động cao, nên ngưỡng chỉ dựa trên quy mô là không đủ.

Gọi \(P_i\) là giá quan sát trên lưới thời gian đều tại \(t_i\). Lợi suất log trong khoảng \(i\) được định nghĩa là

\[ r_i=\log(P_i/P_{i-1}). \]

Kiểm định cần trường giá và lưới lấy mẫu nhất quán. Nhà nghiên cứu có thể dùng giá giao dịch, trung điểm giá mua-bán hoặc một biến đại diện khác được mô tả rõ; nhưng đổi biến đại diện có thể làm thay đổi cả lợi suất và nhãn bước nhảy. Cần quy định cụ thể cách xử lý lúc mở cửa, đóng cửa, phiên đấu giá, tạm ngừng giao dịch và báo giá bị thiếu. Không nên âm thầm trộn lợi suất từ giá đóng cửa đến giá mở cửa với các khoảng trong ngày thông thường.

Lấy mẫu đều quan trọng vì thang đo cục bộ và ngưỡng cực trị được suy ra cho một sơ đồ quan sát xác định. Nếu thời điểm quan sát không đều, trước tiên hãy chọn quy tắc đồng bộ hóa hoặc lấy mẫu có thể bảo vệ được và giải thích thông tin nào bị loại bỏ. Công thức không xóa được báo giá cũ, thị trường chéo, dấu thời gian sai hay lỗi ghi nhận riêng lẻ. Cũng không nên gộp giá từ các địa điểm hoặc tài sản khác nhau như thể chúng đồng bộ nếu chưa kiểm tra căn chỉnh.

Đây là kiểm định trên lợi suất quan sát, không phải giá tiềm ẩn. Lý thuyết gốc dùng mô hình bán martingale tần suất cao với những điều kiện không tự động đúng với mọi nguồn báo giá hoặc sàn tài sản số. Hãy lưu nguồn dữ liệu, múi giờ, lưới lấy mẫu, phiên giao dịch và bộ lọc để người khác có thể dựng lại chuỗi.

Tại thời điểm ứng viên \(t_i\), ước lượng phương sai cục bộ bằng các lợi suất trước \(r_i\):

\[ \widehat{\sigma}_i^2 = \frac{1}{K-2} \sum_{j=i-K+2}^{i-1}|r_j|\,|r_{j-1}|, \qquad \widehat{\sigma}_i=\sqrt{\widehat{\sigma}_i^2}. \]

Ở đây, \(K\) xác định độ dài cửa sổ trượt. Tổng gồm tích của các lợi suất tuyệt đối liền kề; lợi suất ứng viên \(r_i\) bị loại ra. Dạng bipower variation này giúp một bước nhảy riêng lẻ trước đó không chi phối quá mức thang đo dùng để đánh giá khoảng sau. Tài liệu về realized volatility giải thích vì sao tổng và tích của lợi suất tần suất cao có thể ước lượng các đặc trưng khác nhau của biến thiên bậc hai (Barndorff-Nielsen & Shephard, 2002).

Đây là ước lượng cục bộ, không phải dự báo biến động cho cả phiên. Cửa sổ ngắn thích ứng nhanh nhưng có thể thiếu ổn định; cửa sổ dài cho kết quả mượt hơn nhưng phản ứng chậm với thay đổi biến động. Lập luận tiệm cận ban đầu chọn \(K\) tăng khi khoảng lấy mẫu nhỏ lại, đồng thời vẫn ngắn so với toàn bộ chân trời. Với mẫu hữu hạn, cần ghi rõ lựa chọn và phân tích độ nhạy; không có một \(K\) phổ quát cho mọi tài sản, lưới hay chế độ thị trường.

Cũng cần có quy tắc cho ước lượng bằng không hoặc gần bằng không. Chia cho thang đo rất nhỏ có thể biến một bước giá nhỏ thành thống kê cực đoan. Đừng âm thầm thay bằng một mức sàn tùy ý: hãy kiểm tra báo giá gốc, nêu quy tắc và cho biết các khoảng bị đánh dấu có đổi theo những lựa chọn hợp lý khác hay không.

Thống kê bước nhảy cục bộ là

\[ L_i=\frac{r_i}{\widehat{\sigma}_i}. \]

Dấu giữ lại hướng của lợi suất quan sát; độ lớn tuyệt đối đo chuyển động so với thang cục bộ ngay trước đó. Ước lượng ở mẫu số dùng tích của các lợi suất tuyệt đối liền kề mà không có hằng số chuẩn hóa bipower thường dùng. Dưới các điều kiện tiệm cận không có bước nhảy trong bài báo, \(L_i\) xấp xỉ \(Z_i/c\), trong đó \(Z_i\) là biến chuẩn tắc và \(c=E|Z_i|=\sqrt{2/\pi}\). Chi tiết này quan trọng khi hiệu chỉnh ngưỡng: coi \(L_i\) là thống kê chuẩn tắc sẽ dùng sai phân phối tham chiếu.

Giá trị \(|L_i|\) lớn đánh dấu một khoảng ứng viên, chưa phải kết luận tự động. Kiểm định hỏi liệu chuyển động có lớn bất thường sau khi xét sơ đồ lấy mẫu, cửa sổ và số khoảng được tìm kiếm hay không. Thống kê dương chỉ lợi suất quan sát tăng; thống kê âm chỉ lợi suất giảm. Không dấu nào xác định nguyên nhân kinh tế, và chỉ dấu thôi không thể phân biệt bước nhảy với chuyển động liên tục hay lỗi dữ liệu.

Hình dưới đây so sánh một lợi suất ứng viên với thang đo cục bộ được ước lượng từ các khoảng trước. Đây là hình khái niệm, không phải biểu đồ giá hay sự kiện được phát hiện.

<!-- learn:illustration --> <!-- Text-free concept: one sharp return pulse rises above a quiet sequence while a trailing window forms a soft local-volatility envelope; no prices, timestamps, thresholds, or detected events are shown. -->

Khi quét \(n\) khoảng, áp dụng ngưỡng từng điểm \(n\) lần có thể tạo báo động giả chỉ vì đã kiểm tra nhiều quan sát. Lee–Mykland hiệu chỉnh theo giá trị lớn nhất của thống kê tuyệt đối trên chân trời. Với \(c=\sqrt{2/\pi}\), đặt

\[ C_n= \frac{\sqrt{2\log n}}{c} - \frac{\log(\pi)+\log(\log n)} {2c\sqrt{2\log n}}, \qquad S_n=\frac{1}{c\sqrt{2\log n}}. \]

Dưới các điều kiện tiệm cận không có bước nhảy của bài báo,

\[ \frac{\max_{1\le i\le n}|L_i|-C_n}{S_n} \]

có phân phối giới hạn Gumbel chuẩn với hàm phân phối tích lũy \(F(x)=\exp(-e^{-x})\). Với mức ý nghĩa toàn phiên \(\alpha\), giá trị tới hạn tương ứng là

\[ \beta_\alpha=-\log[-\log(1-\alpha)]. \]

Đánh dấu khoảng khi \((|L_i|-C_n)/S_n>\beta_\alpha\). Hiệu chỉnh cực đại tính đến việc tìm kiếm nhiều khoảng trong chân trời đã nêu. Nó không tự động điều chỉnh một nghiên cứu quét lặp lại trên nhiều tài sản, ngày, lưới lấy mẫu hoặc biến thể mô hình. Các so sánh bổ sung cần có thiết kế và công bố riêng.

Giả sử ba lợi suất ngay trước khoảng ứng viên là \(-0.40\%\), \(+0.30\%\) và \(-0.20\%\), đồng thời chọn \(K=4\) chỉ để phép tính ngắn gọn. Khi đó

\[ \widehat{\sigma}_i^2 = \frac{|0.30||-0.40|+|-0.20||0.30|}{2} = 0.09\;(\%)^2, \qquad \widehat{\sigma}_i=0.30\%. \]

Nếu lợi suất tiếp theo là \(+1.20\%\), thống kê cục bộ là \(L_i=1.20/0.30=4\). Điều đó nói rằng lợi suất quan sát gấp bốn lần thang đo minh họa này, nhưng chưa cho biết kiểm định bác bỏ giả thuyết hay không.

Với một phiên giả định gồm \(n=78\) khoảng, công thức tiệm cận cho \(C_n\approx3.14\) và \(S_n\approx0.424\). Ở mức ý nghĩa toàn phiên 1%, \(\beta_\alpha\approx4.60\), nên ngưỡng xấp xỉ \(3.14+0.424(4.60)=5.10\). Thống kê 4 thấp hơn ngưỡng, vì vậy ví dụ này không đánh dấu khoảng ở mức đó. Các số liệu là giả định và xấp xỉ cực đại có thể thô ở cỡ mẫu này. Cửa sổ nhỏ \(K=4\) chỉ minh họa phép tính, không phải cấu hình ước lượng được khuyến nghị.

Ví dụ cho thấy cụm “bốn độ lệch chuẩn” chưa mô tả đầy đủ quyết định Lee–Mykland. Thang tham chiếu, chuẩn hóa tiệm cận, cửa sổ, số khoảng và mức ý nghĩa đều ảnh hưởng đến ngưỡng. Hãy nêu các yếu tố này cùng số lượng bước nhảy hoặc danh sách sự kiện.

Lưới mịn hơn về lý thuyết cải thiện độ phân giải thời gian, nhưng cũng bộc lộ nhiều nhiễu báo giá, tính rời rạc của giá và lệch dấu thời gian hơn. Lưới thưa hơn làm mượt một phần biến động ngắn hạn nhưng có thể gộp bước nhảy với các lợi suất liên tục lân cận hoặc che khuất nhiều chuyển động trong một khoảng. Vì vậy, lựa chọn lưới thay đổi cả khả năng phát hiện lẫn mức độ phù hợp của dữ liệu với giả định.

Cửa sổ \(K\) gắn với lưới. Quá ít lợi suất trước đó làm ước lượng bipower cục bộ thất thường; quá nhiều có thể trộn các chế độ biến động khác nhau và làm nhạt ý nghĩa của từ “cục bộ”. Hãy báo cáo \(K\) theo cả số quan sát và thời gian đồng hồ, nêu rõ cửa sổ có khởi động lại ở ranh giới phiên không, và cho thấy danh sách sự kiện thay đổi thế nào với các lựa chọn hợp lý. Đừng lấy khuyến nghị từ thị trường, độ dài phiên hay tần suất quan sát khác mà chưa kiểm tra.

Thiết lập Lee–Mykland tiêu chuẩn không giải quyết chung vấn đề nhiễu vi cấu trúc thị trường. Pre-averaging và các phương pháp có xét nhiễu khác làm thay đổi ước lượng lợi suất hoặc biến động và cần suy luận tương ứng; chúng không phải bộ lọc có thể thay thế lẫn nhau (Aït-Sahalia, Jacod & Li, 2012). Hướng dẫn pre-averaging và hướng dẫn biến động two-scale trình bày hai cách liên quan khi giá tần suất cao có nhiễu.

Lợi suất được đánh dấu là bằng chứng khó giải thích bằng giả thuyết không có bước nhảy dưới ngưỡng đã nêu. Nó không xác nhận rằng thông báo theo lịch, sự cố sàn, chuỗi thanh lý hay nguyên nhân khác đã tạo ra chuyển động. Hãy đối chiếu thời điểm với dữ liệu sự kiện đã xác minh, kiểm tra giao dịch và báo giá gốc, rồi xem chuyển động có tiếp diễn sau khoảng đó không. Tách các lời giải thích tiếp theo khỏi kết quả kiểm định.

Quy trình này cũng khác với phép so sánh cuối ngày giữa realized variance và bipower variation. Thống kê Lee–Mykland tìm khoảng theo biến động cục bộ; chênh lệch variation hằng ngày ước lượng tổng biến thiên do bước nhảy dưới giả định khác. Hướng dẫn bipower variation và hướng dẫn realized volatility trình bày các thước đo theo kỳ này. Kiểm định power variation của Aït-Sahalia và Jacod đặt câu hỏi có bước nhảy trong đường đi được quan sát rời rạc hay không bằng một cấu trúc khác. Mục tiêu và giả định khác nhau, nên kết quả trùng hay không trùng với danh sách khoảng Lee–Mykland không phải xác nhận một-một.

Trong nghiên cứu chiến lược, nhãn bước nhảy là đầu vào cho nghiên cứu tiếp theo, không phải chỉ dẫn mua hay bán. Backtest cần xét thời điểm tín hiệu có thể quan sát, spread và trượt giá, độ trễ, cửa sổ sự kiện chồng lấn và đánh giá ngoài mẫu. Hãy xác định mục tiêu tổn thất hoặc rủi ro rồi so sánh với mốc tham chiếu phù hợp. Một lợi suất quá khứ được đánh dấu thống kê không chứng minh có thể dự báo sự kiện tiếp theo hoặc giao dịch sinh lời.